Question

我在Google Cloud Console中创建了一个项目，并在此项目中启用了Google Speech API，并创建了凭据。还使用了Google推荐的transcribe.py，

我可以使用谷歌生成的API密钥来控制成功将音频文件（30秒）翻译成文本，但不完全，只需要前2-3秒。我的帐户现在是免费试用，所以我怀疑是否是因为我的帐户类型（免费试用）。

来自谷歌的回复就像 {“结果”：[{“替代品”：[{“置信度”：0.89569235，“成绩单”：“我在森林里野餐，我要回家了，所以请跟我来吧”}}}}}

音频文件是带格式的wav文件（由ffprobe打印）流＃0：0：音频：pcm_s16le（[1] [0] [0] [0] / 0x0001），16000 Hz，1个通道，s16,256 kb / s

有人知道上述流程/步骤有什么问题吗？或者这是谷歌语音识别api的错误？

Answer 1

将Google API资源管理器与Cloud Speech API服务配合使用，可以通过分析音频文件的单独示例来隔离以下相关语音识别结果：

使用以下配置获得这些结果：

“config”: {
    “encoding”: “LINEAR16”,
    “sampleRate”: 16000,
    “maxAlternatives”: “30”,
}

事实上，目前处于Beta状态的语音API存在已知问题，因此可能会阻止转录正常工作（无论该帐户是基于付费还是免费试用）。如以下best practices所述，在您的案例中需要考虑两个问题：

考虑到这两个已知问题，删除任何噪音并仅处理源自录音主角的统一语音非常重要。或者，您可以拆分录音并尝试单独录制包含单个字符声音的录音的每个单独部分。

Answer 2

我遇到了类似的问题，但是使用其中一种增强型模型能够获得完整的转录

config = {
  ...
  use_enhanced: true,
  model: "phone_call"
}